摘" "要：課堂學習行為智能識別和大數(shù)據(jù)分析為課堂高階認知評價帶來契機。利用數(shù)據(jù)技術挖掘?qū)W生課堂學習行為對深度學習成績的影響關系，解決識別與評價課堂高階認知不足的現(xiàn)實問題。以英語和化學兩門學科為例，以課堂學習行為為自變量，以測試試卷深度學習成績?yōu)橐蜃兞浚ㄟ^高斯消元、回代總樣本求均方差最優(yōu)解等算法，分析出課堂“聽講”“閱讀”等8種課堂行為對深度學習成績的權重影響，構建課堂學習行為與深度學習成績間的預測模型，依據(jù)模型可識別和評價學生的高階認知是否發(fā)生，為常態(tài)課堂高階認知規(guī)?；u價提供科學依據(jù)和技術支撐。

關鍵詞：行為識別；深度學習；深度學習成績預測模型；過程性評價

中圖分類號：G434；G632.0" " " 文獻標志碼：A" " "文章編號：1673-8454（2023）09-0108-11

一、引言

過程性評價是發(fā)生在學習過程中的價值判斷，通過對學生學習的量化、預測、診斷、干預等過程，實現(xiàn)對學習行為的引導和修正，漸進培養(yǎng)學習習慣，是推進素質(zhì)教育實踐發(fā)展的需要。[1]預測是過程性評價的最重要環(huán)節(jié)，諸多研究證實，學習行為（即交互行為、學習參與等）是確定學業(yè)成就的關鍵參數(shù)，學生學習行為可以作為預測評價學生學習成就的重要依據(jù)。[2-4]

梳理相關文獻，成績預測評價研究主要集中于在線學習平臺，常態(tài)課堂（以下簡稱“課堂”）預測評價研究卻較少涉及。分析原因，在線技術平臺自動記錄學習行為的便利性和規(guī)?；缭诰€學習系統(tǒng)[5]、慕課[6]、學習管理系統(tǒng)[7]、平板教學[8]等的日志行為數(shù)據(jù)，是促進學習預測發(fā)展的重要力量。而課堂環(huán)境數(shù)據(jù)獲取測量仍然依賴人工，如觀察法、教師報告法、自我報告等，操作規(guī)格高，方式主觀低效，很難解決真實情境、過程性評價的問題。新課程標準要求的課堂深度學習通常與質(zhì)量更高的學習結(jié)果相關，規(guī)?；捏w認與評價更難，而傳統(tǒng)課堂的終結(jié)性評價無法展示其對學習的積極影響。

隨著大數(shù)據(jù)、云計算、5G技術的發(fā)展，課堂學習行為智能識別和大數(shù)據(jù)分析為課堂高階認知評價帶來契機。本研究嘗試在行為識別系統(tǒng)自動記錄概率狀態(tài)的非結(jié)構數(shù)據(jù)的基礎上，經(jīng)過處理生成結(jié)構化行為數(shù)據(jù)，與深度學習成績進行線性分析，建立預測模型，解決課堂成績預測研究缺乏，尤其是對課堂高階認知識別與評價不足的現(xiàn)實問題?；诖耍狙芯坷弥悄芗夹g支持，嘗試探究以下三個研究問題：①課堂學習行為是否影響深度學習，程度如何？②學生的最佳學習行為內(nèi)涵隨時代變遷是否發(fā)生變化，查看平板學習行為影響學生學習嗎？③學習行為對深度學習成績的影響關系是否可以用數(shù)學模型描述，能實現(xiàn)課堂規(guī)?；u估嗎？

二、相關理論梳理與分析

（一）概念界定

1.行為識別

行為識別又叫智能AI行為識別分析系統(tǒng)，是一款以行為識別技術為核心的技術，基于AI神經(jīng)網(wǎng)絡的深度學習算法，把人的主要活動骨架結(jié)構化，根據(jù)人的運動軌跡，提取其行為特征，生成結(jié)構化數(shù)據(jù)。本研究是利用?？低曅袨樽R別系統(tǒng)，識別并計算出學生課堂學習行為，量化其課堂行為，存入數(shù)據(jù)庫。

2.深度學習

相關學者在對深度學習的相關研究中指出，學生的學習投入水平是評價深度學習的重要指標，[9]學習投入是行為、認知、情感三方面的積極投入，行為是深度學習最重要的投入因素，是情感和認知的中介與載體。[10]行為投入能顯性反映出學生在學習過程中的投入程度。研究發(fā)現(xiàn)，深度學習者在課堂上更傾向于積極主動地參與課堂活動。沒有證據(jù)顯示表面的消極與成功的深度學習相關聯(lián)。深度行為投入表現(xiàn)為課堂上的專注聽講、舉手、朗讀、標注或作筆記、討論等積極學習行為。[11]

（二）深度學習理論

1.深度學習行為與深度學習結(jié)果的關系

深度學習結(jié)果表現(xiàn)為知識的建構理解、批判性思維、遷移和有效溝通等關鍵能力的發(fā)展。行為投入學習理論中定義學習過程是一種創(chuàng)造性的、有學術目的的活動。[12]在深度學習過程中，包括幾個關鍵學習行為：一是意義提取，意圖在于識別信息中的模式和規(guī)律；二是通過邏輯推理來檢查證據(jù)和論點的合理性；三是監(jiān)測自身理解力、元認知和創(chuàng)造性的發(fā)展。[13]行為與認知變化趨勢一致，高階思維活動外顯為積極投入的學習行為，吻合深度學習的高階學習結(jié)果。通過編碼學習者的高參與、高投入行為，可推斷學習者深度學習知識變化的結(jié)果。

2.深度學習結(jié)果與認知目標分類的關系

布盧姆認知目標分類理論，通過學習者行為的變化詳細劃分學習者的認知目標，以思維的累積來分類，涵蓋從低級、簡單的認知思維到高級、復雜的認知思維。[13]六個認知層次是累積的，從簡單到復雜排列，分別對應記憶、理解、應用、分析、評價和創(chuàng)造。和深度學習結(jié)果對應的學習動詞包括關聯(lián)、解釋、聯(lián)系原理、轉(zhuǎn)換、分類、假設、因果關系、反思等，對應布盧姆教學目標分類中的深度理解、解決長遠問題的應用、分析、評價與創(chuàng)造。[14]深度學習結(jié)果與認知目標分類的應用、分析、評價、創(chuàng)造描述的角度不同，但內(nèi)涵高度一致。

（三）PAR學習分析框架

吳文峻通過分析美國西部16所高校的學習數(shù)據(jù)分析項目，總結(jié)出基于大數(shù)據(jù)的預測分析報告框架（Predictive Analytic Reporting Framework），簡稱為PAR學習分析框架[15]，該框架共分為在線學生記錄、集成相關數(shù)據(jù)、數(shù)據(jù)分析與預測、解釋數(shù)據(jù)結(jié)果、完成分析報告、教學驗證與干預六個部分，各部分間的邏輯關系聯(lián)系緊密。

PAR學習分析框架，源于心理學和控制論，認為智能是主體與環(huán)境的交互過程。它基于可觀測的具體行為活動，以控制論及感知系統(tǒng)為基礎，摒棄內(nèi)省的思維過程，把智能研究建立于可觀測的具體行為活動基礎上，通過收集學生行為記錄、清洗轉(zhuǎn)換相關數(shù)據(jù)、對行為數(shù)據(jù)進行分析和預測、解釋數(shù)據(jù)分析和預測結(jié)果，進行教學決策和干預。學習分析框架是一個循環(huán)模型，經(jīng)過一輪的分析和干預之后，在新的起點上再對學生的學習進行分析干預，將動態(tài)分析結(jié)果反饋給教師和學生，教師和學生根據(jù)反饋結(jié)果采取相應的改進措施和策略，促進學習目標達成。

學習分析技術賦予成績預測新的功能，突破過去評價實踐中面臨的工作量大、不易落地的限制，降低師生評價負擔，提高評價精度和效度，促使教、學、評得到更為有效的連接。以確保認知理論、評價、解釋與反饋協(xié)調(diào)過程的實現(xiàn)。

三、研究設計

模型建構框架主要包括行為識別、大數(shù)據(jù)處理、深度學習理論、布盧姆認知目標分類理論、多元回歸方程求解和預測模型。

（一）數(shù)據(jù)處理

1.數(shù)據(jù)來源

首先，抽取研究對象。從具備平板教學條件的學校中隨機抽取A學校高二兩個班級，每班60人，合計120人，課程包括課表所列科目，包括自習課共12門，教師15位。其次，采用行為識別系統(tǒng)追蹤真實課堂環(huán)境，采集課堂學習行為序列，采集頻率是每秒6個數(shù)據(jù)點，每個點采集學生數(shù)據(jù)50～60個，如表1所示，采集時間是2020年9月25日至2020年11月17日，除去節(jié)假日共44天。

2.行為數(shù)據(jù)處理

行為識別系統(tǒng)設備記錄的原始行為是閱讀、書寫、向左、向右、向后、查看平板（看手機）、舉手、趴桌、起立、聽講等10種行為概率狀態(tài)的非結(jié)構性數(shù)據(jù)，經(jīng)過清洗、合并、格式轉(zhuǎn)換、行為分類，生成結(jié)構化課堂行為數(shù)據(jù)存入SQL數(shù)據(jù)庫文件。

（1）行為數(shù)據(jù)特征定義

給定一個原始學生特征集合M，M集合中，學號特征以r={r1，r2，…，rj}表示，時間特征以t={t1，t2，…，tn}表示，課程特征以y={y1，y2，…，yi}表示，動作特征以l={l1，l2，…，lk}表示，則M={rj，tn，yi，lk}。其中，j為學生人數(shù)，n為行為時間序列，i為學校安排的課程序列{語文，數(shù)學，英語，物理，化學，歷史、地理、生物，政治，安全與健康、自習，體育（足球）、語/數(shù)/英}，k為系統(tǒng)初始動作序列，值為1時表示對應動作{閱讀、書寫、向左、向右、向后、查看平板（看手機）、舉手、趴桌、起立、聽講}發(fā)生。

定義一個目標學生特征集合F，F(xiàn)集合中，學號特征以r={r1，r2，…，rj}表示，時間特征以t={t1，t2，…，tn}表示，課程特征以y={y1，y2，…，yi}表示，行為特征以h={h1，h2，…，hk}表示，則F={rj，tn，yi，hk}。其中，j為學生人數(shù)，n為行為時間序列，i為學校安排的課程序列{語文，數(shù)學，英語，物理，化學，歷史、地理、生物，政治，安全與健康、自習，體育（足球）、語/數(shù)/英}，k為識別出的行為序列號，值為1時表示對應動作{閱讀、書寫、起立、討論、趴桌、聽講、舉手、查看平板（看手機）、聊天}發(fā)生。

（2）行為數(shù)據(jù)采集

基于大學生的行為識別研究搭建行為識別系統(tǒng)，該研究將大學生的課堂動作區(qū)分為“閱讀、書寫、向左、向右、向后、玩手機、舉手、趴桌、起立、聽講”等10種基本學生動作類型，其概率值形成課堂智能學情系統(tǒng)，旨在抓取并記錄學生動作。

（3）行為數(shù)據(jù)編碼

為了外化隱性知識，采用編碼體系對上下午時間、上課節(jié)數(shù)、課表安排科目、數(shù)字攝像頭采集到的初級行為和目標行為特征分別進行編碼，編碼方法如表1所示。

（4）行為數(shù)據(jù)清洗

數(shù)據(jù)清洗是整個數(shù)據(jù)分析過程的第一步，清洗工作會占整個數(shù)據(jù)分析流程80%左右的時間。本次清洗流程如表2所示。

（5）討論行為、聊天行為區(qū)分處理

F={rj，tn，yi，hk}表示學生rj，在tn時間序列狀態(tài)，若集合M中的向左、向右或向后的lk值為1，則可計算全班學生在tn時間序列時的值，計數(shù)器p初值為0；當且僅當M值中 hk 的行為序列{向左、向右、向后}為真，則計數(shù)器p值加1。

學生目標行為特征F值填充，若M中hj 值{向左∪向右∪向后}=1，且計數(shù)器p /全班人數(shù)≥0.167（每班分為10組，每組6人，初級確定經(jīng)驗概率為0.167，回歸時驗證），則F值中“討論”值為1，“聊天”值為0，否則“討論”值為0，“聊天”值為1；F值中其它時間序列的行為序列值與M值相等。

（6）目標行為特征

10種課堂原始行為經(jīng)清洗、分類生成9種課堂學生學習行為特征，如表3所示。

3.深度學習成績數(shù)據(jù)處理

授課教師依據(jù)修訂的布盧姆認知目標分類系統(tǒng)，對期中測試試卷知識點進行人工標記，生成深度學習測試成績。標記示例如表4所示。

（二）數(shù)據(jù)分析

數(shù)據(jù)分析方法采用的是相關性分析和多元回歸方程。主要采用SPSS25和DEV C++軟件，估計多個課堂學習行為特征對深度學習成績的線性影響關系，分析路線如圖1所示。

1.學習行為與深度學習成績的相關性分析

為降低算法數(shù)據(jù)的維數(shù)，需要將具體學習行為變量與深度學習成績導入SPSS進行二元相關分析，從9種課堂學習行為中篩選Sig值小于0.5的k種與深度學習成績顯著相關的行為變量數(shù)據(jù)集。為保證分析結(jié)果的準確性，文科以英語學科為例、理科以化學學習為例分別分析。盡管能篩選出k種變量與深度學習成績之間是顯著正相關，但僅依靠簡單二元相關分析來預測學生成績是不可靠的，需要實施多元回歸方法分析多個行為變量對深度學習成績的復雜影響。

2.構建課堂學習行為與深度學習間的多元回歸方程

采用與深度學習成績間高相關的k種課堂學習行為指標構建深度學習線性回歸方程如下。

第i個學生第j種課堂行為x[i，j]與其深度學習成績y[i]的回歸方程如公式1所示。

公式1中：記h[j]={h1，h2，…，hk}變量表示第j種課堂學習行為對深度學習成績的權重值；記x[i，j]={x1，x2，…，xk}變量表示第i位學生的課堂學習行為j的頻度每節(jié)課平均值，j為對應行為序列{聽講、閱讀、書寫、舉手、趴桌、查看平板（看手機）、討論、聊天}。

3.以高斯消元解多元線性方程組

（1）從樣本Y1（Y1=120）中，以學生均等機會隨機抽取1000萬次組合，每一種組合形成k×k矩陣方程，即A=（xij）k×k，B=（yj）1×k，A為k×k矩陣，B為1×k矩陣。對每一種組合以高斯消元法解方程組。

（2）判斷k個方程有k個主元，則方程組有唯一解，迭代結(jié)果記錄為x" i[i，j]=（x" [i，j]，yi）i，回代進總樣本，生成均方差θ。若中途消元中止，則表示方程組無解或有無窮多解（此時存在垂直或共線，放棄此解），保證結(jié)果顯性，且沒有多重共線性。

4.迭代逐步縮小搜索，求全局最優(yōu)解

以高斯消元求得的局部最優(yōu)解的權重值h[j]={h1，h2，…，hk}為基數(shù)，對k種行為的系數(shù)值以0.2的頻度逐步縮小權重值，當θ變化值趨于0停止，求總體樣本（n=120）全局最優(yōu)解，此時所求得的行為系數(shù)min[j]={min1，min2，…，mink}為最接近真實值的解。

5.預測公式

將求得的全局最優(yōu)解的常數(shù)min[j]={min1，min2，…，mink}權重值代入回歸方程。求得預測，如公式2所示。

6.模型驗證

夏皮羅—維爾克檢驗是為了檢驗數(shù)據(jù)的正態(tài)性，使其有資格進行參數(shù)檢驗。我們的數(shù)據(jù)在t檢驗前的正態(tài)性檢驗結(jié)果導致顯著水平（男生=0.003，女生=0.000），則違反正態(tài)性假設。因此，我們使用-1.0和1.0之間的偏斜度和彎曲度結(jié)果，并假設分布足夠正態(tài)，以使參數(shù)測試的數(shù)據(jù)合格。[16]

研究采用配對樣本t檢驗來找出男生和女生表現(xiàn)的差異，以解釋在深度學習成績預測上的性別特征。高中學生特征、課堂行為特征和深度學習結(jié)果（RQ1）進行t檢驗，以確定男女學習者在混合學習設置中的表現(xiàn)。這項研究旨在發(fā)現(xiàn)，鑒于男女高中學生在社會中的不同角色和責任，其混合學習中的表現(xiàn)是否同樣出色。研究發(fā)現(xiàn)，男生學習者的表現(xiàn)（男生= 62.5）略好于女生學習者（女生= 61.1）。一項獨立的t檢驗顯示，兩種表現(xiàn)之間的差異沒有統(tǒng)計學意義（t = 1.569，df = 228，p = 0.05）。說明本預測模型在班級中不會因為兩個班級的男女生比例不同而出現(xiàn)影響深度學習的因素。

7.信效度分析

利用高中英語、化學深度學習成績預測回歸模型求得的英語預測成績和英語原始成績進行t檢驗，均大于0.05（t=1.034），化學預測成績和化學原始成績進行t檢驗，均大于0.05（t=1.108），說明模型的擬合效果較好，將隨機挑選30位高中學生擬合得到的期中英語深度學習預測成績與標記的英語深度學習成績進行比較，經(jīng)對比，該模型在均方差小的數(shù)據(jù)集上預測準確率較高，英語學習（sd=4.5266）對深度學習的解釋力達75.611%。英語學習（sd=5.5736）對深度學習的解釋力達70.611%，均大于0.7的解釋力。

四、結(jié)果與討論

（一）明確課堂學習行為對促進深度學習影響的權重關系

依據(jù)數(shù)據(jù)分析結(jié)果，不同的課堂學習行為對深度學習成績的影響不同，相同的課堂行為對不同學科的影響也是不同的。為準確描述其影響程度，基于相關學者對課堂學習行為的分類水平，結(jié)合本研究的研究目的以及學生行為與深度學習的二元相關性分析，將學生課堂學習行為分為深度投入、淺層投入和非投入三類投入水平。[17][18]如表5所示。

根據(jù)學生課堂學習行為對深度學習成績的貢獻值大小，對行為進行排序和劃分，幫助教師快速識別出學習策略的選擇對學生產(chǎn)生的正向效應。有學者的研究把聽課、舉手、閱讀定義為課堂積極學習行為，玩手機、趴桌、聊天定義為課堂消極學習行為，[19]傳統(tǒng)教學經(jīng)驗劃分方法的可信度值得商榷。“玩手機”被定義為消極行為，本研究結(jié)果中“平板學習”對英語成績的權重影響值為6.60719，對化學成績的權重影響值為8.47029，遠高于書寫、聽講和閱讀行為的影響。

（二）“討論、舉手、查看平板”成為影響深度學習的最佳課堂學習行為

從權重影響的大小看，對于英語學習來說，討論、舉手、查看平板依次是最佳相關學習行為，而在化學方面，查看平板、討論和舉手依次是最佳相關學習行為。相關學者已有的研究結(jié)果對比變化很大。[20][21]如表6所示。

說明隨著時代的變遷，信息時代學生的最佳學習行為的內(nèi)涵已發(fā)生變化，“討論”學習行為隨著時間的發(fā)展仍然是重要影響因素?！奥犞v、書寫、閱讀”學習行為影響地位隨時代發(fā)展而被“舉手、查看平板”學習行為所替代。在學習行為與深度學習成績相關性分析中，“查看平板”學習行為在文理科中權重貢獻值均居前（x英=6.607192，x化=8.47029），因此，“查看平板”不僅不會影響學生學習，而且是促進文科和理科學習的最佳相關學習行為之一。

討論也叫對話，常以對話者持續(xù)的話語投入為主要特征，互動和反思貫穿整個學習過程。[22]討論是促進深度學習的學習行為，導致高質(zhì)量的學習結(jié)果，上述相關學者的研究也顯示了這一結(jié)果?！安榭雌桨濉笔菍W生與學習內(nèi)容的內(nèi)部交互，涉及觀看教學視頻、閱讀文本、瀏覽和發(fā)表論壇，是學生在組織自己的知識和想法時，通過與學習內(nèi)容的交互，整合、組織和生成新知的過程。學生不僅是信息的接收者，也是信息的發(fā)出者，為保障交互的有序性，變換討論方式，課堂發(fā)言常采取舉手的形式爭取提出自己的問題或答案的機會，古人云“疑之思之始，學之端”，“舉手”擁有一種交流的沖動，是學習主動性和專注性的外在表現(xiàn)。[23]新時代建構主義學習觀認為，學習不是由教師把知識簡單地傳遞給學生，而是由學生在研討、交流、信息共享的交互環(huán)境中對原有知識的調(diào)整和建構新意義的過程。學習觀的變革拓展了有效學習的評判標準和依據(jù)，也推動最佳學習行為內(nèi)涵的延伸和發(fā)展。本研究從數(shù)據(jù)密集型科學所得的結(jié)論符合建構主義原理，一定程度上能保證結(jié)論的可靠性。

（三）用數(shù)學模型描述學習行為與深度學習成績的關系，實現(xiàn)課堂的規(guī)?；u估

根據(jù)課堂學習行為對深度學習的影響權重，可以構建基于學生的課堂學習行為與深度學習成績間的數(shù)學模型。生成的深度學習成績預測模型是線性回歸方程，運算簡單，系統(tǒng)消耗小，可實現(xiàn)規(guī)模化評測，有助于實現(xiàn)自動抓取學生的課堂學習行為值并直接預測學生深度學習能力，反饋與學生的學習過程同步發(fā)生，彌合評價和使用反饋信息之間的差距，為促進參與和抑制其他行為提供決策依據(jù)，也為課堂的規(guī)?；u測提供技術支撐。

1.以英語為代表的文科課堂學習行為與深度學習成績的關系

依據(jù)表5中的學習行為特征權重值，構建一個由8個變量表征文科成績深度學習的預測模型：

深度學習（英語）= 0.43163×聽講 + 0.36628×閱讀 + 0.44030×書寫 + 9.50309×舉手 - 2.06270×趴桌 + 6.60719×查看平板 + 29.59428×討論 - 0.04105×聊天

（注：閱讀、書寫、舉手、趴桌、查看平板、討論、聊天行為值為44天英語課堂學習行為均值）

2.以化學為代表的理科課堂學習行為與深度學習成績的關系

根據(jù)表6學習行為特征權重值，構建一個由8個變量表征理科成績深度學習的預測模型：

深度學習（化學）= 0.13882×聽講 + 0.55787×閱讀 + 0.32619×書寫 + 1.73169×舉手 - 4.73289×趴桌 + 8.47029×查看平板 + 7.59575×討論 - 2.29719×聊天

（注：閱讀、書寫、舉手、趴桌、查看平板、討論、聊天行為值為44天化學課堂學習行為均值）

五、研究結(jié)論與啟示

（一）研究結(jié)論

研究明確“聽講、閱讀、書寫、舉手、趴桌、查看平板（看手機）、討論、聊天”8種學生課堂學習行為發(fā)生對促進深度學習影響的權重關系。其中“討論、查看平板（看手機）、舉手”3種行為維度是當今信息時代深度學習的最佳相關行為因素，發(fā)展了傳統(tǒng)認為“書寫、討論、聽講”是最佳相關行為的舊觀念?！安榭雌桨濉睂W習行為能促進學生學習有了證據(jù)支持。在此基礎上，以英語和化學兩門學科為例，根據(jù)課堂學習行為對深度學習的影響權重，構建課堂學習行為與深度學習成績間的數(shù)學模型，可根據(jù)學生課堂學習行為預測深度學習成績，為課堂規(guī)?；^程性評價提供科學依據(jù)和技術支撐。

（二）研究啟示

1.行為評價漸進培養(yǎng)學生課堂深度學習習慣

學習者個體或群體的學習習慣變化是推動教育變革的原動力，能力靠“日復一日的習慣”養(yǎng)成。研究明確學生課堂學習行為與深度學習成績間的數(shù)學預測模型，該模型提供學習行為和學業(yè)成就之間因果關系的證據(jù)，通過成績預測的方式綜合學生多個復雜的學習行為因素組合生成統(tǒng)一評價標準，將學習行為習慣轉(zhuǎn)化為可測量指標。數(shù)據(jù)驅(qū)動的研究范式，破解傳統(tǒng)人工低效數(shù)據(jù)測量方式的難題，為動態(tài)修正學生課堂學習行為找到定量研究方法，是教師改善教學、學生優(yōu)化學習行為的決策依據(jù)。

評價的目的是及時干預學習行為、漸進培養(yǎng)深度學習習慣。過程性評價不僅僅反饋個體數(shù)據(jù)，還隱含對學習習慣的肯定和否定，學生的行為發(fā)展過程以顯性的方式呈現(xiàn)出來。據(jù)此教師即時調(diào)整教學方法或增加干預手段，對干預效果即時反饋，教師在干預反饋中找到事實支持，與學生形成一種依存和互融的關系。同時，反饋結(jié)果讓學生改善深度學習動機，及時投入學習過程，促進后續(xù)行為改善、深度學習習慣養(yǎng)成，達到增值性評價目的。這些干預效應在學生習慣養(yǎng)成中起到因果作用（遠端效應），將大大改善教育的不可預知性。[24]

2.合作學習是促進學生深度學習的有效方式

研究的目的是確定促進深度學習的行為差異，描述我們希望鼓勵的學習行為，輔助教師和學生把握知識發(fā)生的本質(zhì)。從研究的結(jié)果看“討論”“舉手”“查看平板”是影響深度學習的最佳學習行為因素，這些學習行為體現(xiàn)在學生與學生、學生與教師、學生與學習內(nèi)容間的交互，思想碰撞、反思和評價產(chǎn)生新的認知過程，從而建構知識的意義。合作學習是指學習者以對話的方式為達到學習目標而建構知識的一種主要方式；[25]具有主體性、主動性和社會性，以對話為旨趣，以協(xié)作為支撐，關注情感素養(yǎng)培養(yǎng)，體現(xiàn)教學是一種社會性存在的本質(zhì)內(nèi)涵。[26]

研究的目的是要對實踐產(chǎn)生影響，研究結(jié)論能夠映射教學實踐。教師通過采用合適的教學方法影響學生合作學習發(fā)生，并通過這些影響生成高水平學習結(jié)果。教師選擇思維空間大、多層次、多側(cè)面的問題作為合作內(nèi)容，行為引導學生積極參與具有挑戰(zhàn)性的任務，實現(xiàn)深度理解和高投入的學習過程，才能達到合作學習的目的。同樣，在合作學習中學生呈現(xiàn)出多樣化的思維，都不是能預設的，教師必須針對學生的不同思路、方法及時加以判斷，有效促進教師專業(yè)發(fā)展。因此，合作學習是促進深度學習發(fā)生、師生共同進步的有效教學方式。

3.智能技術可以促進深度學習發(fā)生

從研究的結(jié)果看，“查看平板”學習行為已經(jīng)是促進深度學習的最佳行為因素之一。在信息時代，按照相關學者關于“未來社會”的觀點，信息成為社會發(fā)展的主要動力，信息源則是新的權力源。[27]平板教學等技術作為學生的認知工具，提供豐富的數(shù)字化資源，改變學生的學習方式；提供包括工具軟件資源、音視頻、電子文本、虛擬現(xiàn)實等類型資源，與傳統(tǒng)的課本資源相比，具有多媒體性、交互性、豐富性等特征。數(shù)字化的資源環(huán)境也在影響和改變著學生的學習方式、交往方式。他們的交流對象不僅僅是教師和學生，更是基于信息技術為師生開辟超越時空的交流對象或交流內(nèi)容。基于網(wǎng)絡的平板等作為數(shù)字化學習的載體，滿足學生個性化需求，成為拓展人類個性化的創(chuàng)造性工具。

如何在教學中促進“查看平板”這樣的數(shù)字化學習行為，結(jié)合學習科學，在學習的選擇、組織與整合的過程中，把信息技術、信息資源、信息方法、人力資源和課程資源有機結(jié)合起來，面向課堂，把信息化與學科的整合落到實處。[28]利用智能技術創(chuàng)設真實的問題情境，豐富資源環(huán)境，構建調(diào)動學生主動學習為目的的多種教學新模式，從不同層面開展多種多樣的教育教學探索與實踐，發(fā)展學生的批判性思維、問題解決能力，實現(xiàn)學生的對話、合作、自主、探究能力等高階思維發(fā)展，破解核心素養(yǎng)培養(yǎng)難題。

六、結(jié)語

本研究采用學習分析的方法考察學生課堂學習行為與深度學習成績間的線性影響關系，并明確“聽講、閱讀、書寫、舉手、趴桌、查看平板、討論、聊天”等8種學生課堂學習行為發(fā)生對促進深度學習影響的權重關系，提出對教育評價、課堂學習、教學及學科整合的啟示，以供參考。

參考文獻：

[1]高凌飚.關于過程性評價的思考[J].課程·教材·教法，2004（10）：15-19.

[2]PHAN H P. The integration of future time orientation， epistemological beliefs， achievement goals and research strategies： building empirical evidence[J]. British Journal of Educational Psychology， 2009（79）：155-173.

[3]SKINNER E， FURRER C， MARCHAND G， et al. Engagement and disaffection in the classroom： part of a larger motivational dynamic？[J]. Journal of Educational Psychology， 2008，100（4）：765.

[4]KUH G D， KINZIE J， BUCKLEY J， et al. Piecing together the student success puzzle： research， propositions， and recommendations[J]. ASHE Higher Education Report， 2007，32（5）.

[5]孫月亞.開放大學遠程學習者在線學習行為的特征分析[J].中國電化教育，2015（8）：64-71.

[6]XING W， CHEN X， STEIN J， et al. Temporal predication of dropouts in MOOCs： reaching the low hanging fruit through stacking generalization[J]. Computers in Human Behavior， 2016，58：119-129.

[7]李爽，王增賢，喻忱，等.在線學習行為投入分析框架與測量指標研究——基于LMS數(shù)據(jù)的學習分析[J].開放教育研究，2016，22（2）：77-88.

[8]武法提，牟智佳.平板教學中基于大數(shù)據(jù)的學生個性化分析模型構建與實現(xiàn)路徑[J].中國電化教育，2014（3）：63-69.

[9]BEATTIE IV V， COLLINS B， MCLNNES B. Deep and surface learning： simple or simple dichotomy？[J]. Accounting Education， 1997，6（1）：1-12.

[10]BIGGS J. Study process questionnaire manual[J]. Academic Achievement， 1987.

[11]卜彩麗.深度學習視域下翻轉(zhuǎn)課堂教學理論與實踐研究[D].西安：陜西師范大學，2018.

[12]馬志強，蘇珊，張彤彤.基于學習投入理論的網(wǎng)絡學習行為模型研究——以“網(wǎng)絡教學平臺設計與開發(fā)”課程為例[J].現(xiàn)代教育技術，2017，27（1）：74-80.

[13]ENTWISTLE N J， SMITH C A. Personal understanding and target understanding： mapping influences on the outcomes of learning[J]. British Journal of Educational Psychology， 2011，72（3）：321-342.

[14]ANDERSON W， KRATHWOHL D. A taxonomy for learning， teaching， and assessing： a revision of bloom’s taxonomy of educational objectives， complete edition[M]. Long Man ，2001：154-159.

[15]吳文峻.面向智慧教育的學習大數(shù)據(jù)分析技術[J].電化教育研究，2017，38（6）：88-94.

[16]PALLANT J. Survival manual[J]. Step-by-step Guide for Data Analysis Using SPSS， 2011，4.

[17]SKINNER E A， BELMONT M J. Motivation in the classroom： reciprocal effect of teacher behavior and student engagement across the school year[J]. Journal of Educational Psychology， 1993，85（4）：571-581.

[18]GREENWOOD C R， HORTON B T， UTLEY C A. Academic engagement： current status of research and practice[J]. Bulletin of School Psychology， 2002，31（3）：328-349.

[19]許宏吉，趙文杰，李夢荷，等. 基于行為識別的課堂智能學情分析系統(tǒng)[C]//Proceedings of 2019 3rd International Conference on Advanced Education and Management Science（AEMS 2019）.[出版者不詳]，2019：362-366.

[20]COBB J A. Relationship of discrete classroom behaviors to fourth-grade academic achievement[J]. Journal of Educational Psychology， 1972，63（1）：74-80.

[21]HOGE R D. The validity of direct observation measures of pupil classroom behavior[J]. Review of Educational Research， 1985，55（4）：469-483.

[22]BURBULES N C， BRUCE B C. Theory and research on teaching as dialogue[J]. Handbook of Research on Teaching American Educational Research Assoc， 2010：1112-1113.

[23]陳羚.國內(nèi)外有關教師課堂提問的研究綜述[J].基礎教育研究，2006（9）.

[24]LEENKNECHT M， WIJNIA L， KHLEN M， et al. Formative assessment as practice： the role of students’ motivation[J]. Assessment amp; Evaluation in Higher Education， 2021，46（2）：236-255.

[25]王陸，楊卉.合作學習中的小組結(jié)構與活動設計研究[J].電化教育研究，2003（8）：34-38.

[26]（日）佐藤學.學習的快樂——走向?qū)υ抂M].鐘啟泉譯.北京：教育科學出版社，2004：37-38.

[27]楊宏杰.淺談托夫勒“未來社會”的思想[J].新西部，2013（5）：166.

[28]卜彩麗，胡富珍，蘇晨，等.為深度學習而教：優(yōu)質(zhì)教學的內(nèi)涵、框架與策略[J].現(xiàn)代教育技術，2021，31（7）：21-29.

Research on Performance Prediction Model of Classroom Deep Learning Based

on Behavior Recognition

Fuzhen HU1， Xiaodong WANG2， Caili BU1

（1.School of Education， Henan Normal University， Xinxiang 453007， Henan;

2.College of Computer and Information Engineering， Henan Normal University， Xinxiang 453007， Henan）

Abstract： Intelligent identification of classroom learning behavior and big data analysis bring opportunities for higher-order cognitive evaluation in classroom. This study uses data technology to mine the relationship between students’ classroom learning behavior and deep learning performance， so as to solve the practical problem of identifying and evaluating the lack of higher-order cognition in the classroom. In both English and chemistry subject， for example， in the classroom learning behavior as the independent variable， with deep learning achievement test paper as the dependent variable， by using algorithms such as Gaussian elimination and the optimal solution of the mean squared deviation of the total sample of the return generation， etc.， this study analyzes the influence of classroom “l(fā)istening”， “reading” and other eight kinds of classroom behavior on deep study result， and builds a classroom learning behavior and depth prediction model between grades. The model can identify and evaluate the occurrence of students’ higher-order cognition， and provide scientific basis and technical support for the large-scale evaluation of higher-order cognition in normal classroom.

Keywords： Behavior recognition; Deep learning; Deep learning performance prediction model; Process based evaluation